A reaction-diffusion system to better comprehend the unlockdown: Application of SEIR-type model with diffusion to the spatial spread of COVID-19 in France
考虑到易感、暴露和无症状个体的平均每日移动，开发了一个反应扩散模型来描述COVID-19病毒的传播。该模型使用来自法国的确诊感染和死亡数据及其初始空间分布进行了校准。首先研究了偏微分方程组，然后导出了基本再生数R 0。其次，基于水平集和有限差分相结合的数值模拟显示了COVID-19从3月16日到6月16日的空间传播。最后，根据距离变化或部分空间锁定的情况下，解锁进行比较。
2020-05-06 math.AP q-bio.PE
COVID-19: Analytic results for a modified SEIR model and comparison of different intervention strategies
SEIR流行病学模型是疾病传播的标准模型之一。在这里，我们分析了一个扩展的SEIR模型，该模型考虑了无症状携带者，据信在COVID-19传播中发挥了重要作用。对于这个模型，我们得出了一些重要的数量，如感染的峰值数量，达到峰值所需的时间和最终受影响的人口的大小的分析结果。我们还提出了一个精确的方法来指定初始条件的数值（从不足的数据）使用的事实，即早期的指数增长是很好地描述的主导特征向量的线性化方程。其次，我们探讨了不同的干预策略，如社会距离（SD）和测试-再测试（TQ）的效果。两种干预策略（SD和TQ）试图将疾病繁殖数$R_0$降低到目标值$R^{\rm target}_0 < 1$，但方式不同，我们在模型方程中实现了这一点。我们发现，对于相同的$R^{\rm target}_0 < 1$，TQ比SD更有效地控制流行。然而，为了使TQ有效，它必须基于接触者追踪，我们的研究量化了每天测试与每天新病例数量的所需比例。我们的分析表明，线性动力学的最大特征值提供了对疾病进展的简单理解，包括干预前和干预后，并解释了许多国家的观察数据。我们将我们的结果应用于印度的COVID数据，以获得对大流行过程的启发式预测，并注意到预测在很大程度上取决于假设的无症状携带者比例。
2021-01-25 physics.soc-ph q-bio.PE
Who is the infector? Epidemic models with symptomatic and asymptomatic cases
无症状感染者在传播动力学中扮演什么角色？有许多疾病，如诺如病毒和流感，其中一些受感染的宿主显示出疾病的症状，而另一些则无症状地感染，即不显示任何症状。本文考虑了一类SEIR（Susceptible $\to$ Exposed $\to$ Infectious $\to$ Exposed）结构的传染病模型，该模型同时考虑了有症状和无症状的病例.以下问题得到解决：有症状（无症状）病例感染的$ρ$占感染者的比例是多少？这是一个比流行病开始时的相关问题更复杂的问题：一个典型的新感染个体的继发病例的预期数量中有多大比例，即基本繁殖数$R_0$中有多大比例是由有症状的个体引起的？后一部分仅取决于特定类型的繁殖数，而前一部分$ρ$也取决于时间，因此取决于两种类型的潜伏期和感染期的概率分布（不仅是它们的平均值）。$ρ$上的界限是为这些分布（甚至它们的均值）未知的情况推导的。特别注意的是一类马尔可夫模型和类连续时间Reed-Frost模型作为两类分布函数。我们展示了这两类模型如何表现出非常不同的行为。
2018-01-26 math.DS q-bio.PE
Model for prognostic of symptomatic, asymptomatic and hospitalized COVID-19 cases with correct demography evolution
本研究的目的是提出一个改进的易感-暴露-危险-移除（SEIR）模型，该模型描述了COVID-19流行病的有症状、无症状和住院患者的行为，包括人口统计学差异的影响。它表明，考虑人口增长与总人口成比例导致解决方案的定性行为不同的行为在许多研究中，假设恒定的增长率。进行了详尽的理论研究和基本再生数$R_0$计算模型方程。证明了如果$R_0<1$，则无病流形是全局渐近稳定的，即流行病缓解。研究了平衡点的全局稳定性和局部稳定性。数值模拟表明数值计算结果与理论计算结果吻合较好。该模型适用于与古巴共和国大流行演变相对应的实验数据，显示了感染病例的适当行为，这让我们认为可以提供对无症状病例的正确估计。总之，该模型似乎是研究和控制传染病（特别是COVID-19疾病传播）的适当工具。
2022-06-08 math.DS q-bio.PE
Decoding asymptomatic COVID-19 infection and transmission
2019冠状病毒病（COVID-19）是一种持续破坏公共卫生和世界经济的疾病。控制COVID-19疫情的主要挑战之一是其无症状感染和传播，这在大多数情况下是难以捉摸和毫无防备的。无症状COVID-19的致病性和毒力仍然是个谜。基于对20656株严重急性呼吸综合征冠状病毒2型（SARS-CoV-2）基因组分离株的基因分型，我们发现无症状感染与SARS-CoV-2 11083 G>T突变有关，即，在非结构蛋白6（NSP 6）的残基37（L37 F）处亮氨酸（L）被苯丙氨酸（F）取代。通过分析11083 G>T在各国的分布情况，揭示11083 G>T可能与SARS-CoV-2的低毒性有关。此外，我们显示了11083 G>T突变比例的整体衰减趋势，表明11083 G>T阻碍了SARS-CoV-2的传播能力。序列比对发现，NSP 6和残基37附近在一些冠状病毒物种中相对保守，表明它们在调节宿主细胞自噬以破坏针对病毒感染的先天细胞防御中的重要性。使用机器学习和拓扑数据分析，我们证明突变L37 F使NSP 6在能量上不太稳定。刚性和柔性指数和几个网络模型表明，突变L37 F可能损害了NSP 6功能，导致相对较弱的SARS-CoV亚型。这一评估与我们过去几个月对SARS-CoV-2在不同国家和地区的演变和传播的基因分型结果非常一致。
2020-07-02 q-bio.BM q-bio.PE
COVID-19 pandemic: a mobility-dependent SEIR model with undetected cases in Italy, Europe and US
预防措施：描述第一波COVID-19疫情，重点关注未被发现的病例，并评估不同的封城后情况。产品设计：该研究采用SEIR分区模型，考虑到未被发现的病例的区域特定比例，流动限制的影响，以及所采取的个人防护措施，例如戴口罩和经常洗手。设置和参与者：该模型的实验验证与所有的意大利地区，一些欧洲国家和美国的数据。主要观察指标：通过平均绝对百分误差（MAPE）和Lewis准则衡量模型结果的准确性，拟合参数与文献值吻合较好。研究结果：对不同国家的流行曲线以及未发现和无症状病例的数量进行了估计，这些病例很可能是近期的主要感染源。该模型应用于湖北案例研究，湖北是最早放宽流动限制的地方。结果显示了不同的可能情况。流动性和采取个人保护措施对感染的动态有很大影响，决定了是一个巨大和迅速的第二次流行病高峰，还是一个更延迟和更易管理的高峰。结论：数学模型可以为医疗保健决策者提供有用的见解，以确定未来爆发时的最佳策略。
2021-06-02 physics.soc-ph q-bio.PE
Modeling Control, Lockdown \& Exit Strategies for COVID-19 Pandemic in India
COVID-19是一种病毒性传染病，已迅速成为全球大流行病，感染了数百万人，全球死亡人数众多。这种疾病的症状差别很大。根据症状，感染者大致分为两类，即无症状和有症状。无症状的人表现出轻微或没有症状，但继续将感染传播给其他健康的人。无症状感染的这一特殊方面构成了管理和控制传染病传播的主要障碍。在本文中，我们试图在各种干预策略下对COVID-19在印度的传播进行数学建模。我们认为SEIR型流行病学模型，与印度特定的社会接触矩阵代表接触结构之间的人口的不同年龄组。各种因素的影响，如渐近个人的存在，封锁策略，社会距离的做法，隔离，和住院的疾病传播进行了广泛的研究。我们模型的数值模拟与印度截至2020年5月15日的COVID-19真实数据相匹配，以估计模型参数。我们的分区锁定模型被认为对2020年7月20日做出了不错的预测。
2020-07-22 physics.soc-ph q-bio.PE
Group Testing Enables Asymptomatic Screening for COVID-19 Mitigation: Feasibility and Optimal Pool Size Selection with Dilution Effects
对SARS-CoV-2进行反复的无症状筛查有望控制病毒的传播，但需要太多的资源才能大规模实施。团体测试是有前途的筛选更多的人用更少的测试资源：多个样本一起测试在一个池可以排除一个阴性的测试结果。然而，现有的SARS-CoV-2无症状筛查的分组测试设计方法没有考虑稀释效应：假阴性在更大的样本池中变得更常见。因此，他们可能会推荐太大的样本池大小或错误估计筛选的益处。建模稀释效应，我们推导出封闭形式的表达式，预期的测试次数和假阴性/阳性每个人筛选下两个流行的组测试方法：线性和正方形阵列的方法。我们发现，一个共同的病毒载量引起的测试误差相关性在一个人的样本结果少得多的假阴性比预期的不太现实，但更广泛的假设独立的错误。这一见解还表明，假阳性可以通过重复测试来控制，而不会显著增加假阴性。使用这些封闭形式的表达式来跟踪错误率和测试的帕累托边界，我们设计了一个大的人群的重复无症状筛查的测试协议。我们通过优化随时间变化的样本池大小和受每日检测能力和假阳性限制限制的筛查频率来最大限度地降低疾病患病率。这提供了一个测试方案，从业者可以用来减轻COVID-19。在案例研究中，我们证明了这种方法在控制传播方面的有效性。
2020-11-16 math.OC q-bio.PE stat.ME
Reaction-diffusion spatial modeling of COVID-19: Greece and Andalusia as case examples
我们研究了两个地区COVID-19爆发的空间建模：西班牙安达卢西亚自治区和希腊大陆。我们从一个由易感人群、暴露人群、无症状人群、（非传染性）感染人群、住院人群、死亡人群组成的0 D房室流行病学模型开始。我们强调病毒潜伏期的重要性和无症状人群的关键作用。我们通过最小化预测和观测数据之间差异的$\ell^2$范数，将预测与累计感染人数和死亡总数进行比较，从而优化两个地区的模型参数。我们考虑模型参数和初始条件的合理变化的模型预测的敏感性，解决参数可识别性的问题。我们通过响应遏制措施而产生的病毒传播率的随时间变化来模拟检疫前和检疫后的流行病演变。随后，开发了反应扩散方程形式的0 D模型的空间分布版本。我们认为，在感染的初始局部播种后，其传播受无症状和非症状感染人群的扩散（和0 D模型“反应”）控制，这些扩散随着实施的限制性措施而减少。我们插入了这两个地区的地图，并将人口密度数据导入COMSOL，随后用于数值求解模型偏微分方程。在讨论如何适应这种空间环境的0 D模型，我们表明，这些模型具有显着的潜力，对捕捉良好的混合，0 D的描述和大流行病在这两个地区的空间扩展。还探讨了对未来工作的模型假设的潜在细化的静脉。
2021-07-01 nlin.PS q-bio.PE
Modeling viral mutations in the spread of epidemics
尽管传统的流行病传播模型关注的是感染者、易感者和康复者的数量，但将流行病模型与群体遗传学结合起来已经引起了人们的极大关注。在这里，我们开发了一个基于个人的网络上的流行病传播模型，其中病毒明确表示为有限的核苷酸链，可以在主机内发生突变。在中性进化的假设下，我们分析计算所有感染病毒随时间的平均成对遗传距离。我们还推导出这个方程的平均场版本，可以直接添加到房室模型，如SIR或SEIR估计的遗传进化。我们比较了我们的结果与推断的SARS-CoV-2在中国流行初期的遗传进化，发现与我们模型的解析解很好地吻合。最后，使用遗传距离作为不同菌株的代表，我们使用数值模拟表明群落之间的连接性越低，例如，城市，再感染的概率越高。
2021-05-24 nlin.CG q-bio.PE
A sequential Monte Carlo approach to estimate a time varying reproduction number in infectious disease models: the Covid-19 case
在最初几个月，新冠肺炎疫情要求大多数国家实施一系列复杂的非药物干预措施，以控制病毒在人群中的传播。为了能够迅速作出决定，有必要详细了解目前的情况。对随时间变化的瞬时繁殖数量的估计代表了一种实时量化病毒传播的方法。它们通常通过流行病的数学分区模型来定义，如随机SEIR模型，其参数必须从多个流行病学数据的时间序列中估计。由于非常高维的参数空间（部分原因是传播模型中的随机性）以及不完整和延迟的数据，推断非常具有挑战性。我们提出了模型的状态空间形式化和序贯蒙特卡罗方法，该方法允许在每日住院和阳性检测发生率的基础上，以足够的精度估计挪威Covid-19疫情的每日变化繁殖数。该方法在挪威经常使用，是流行病监测和管理的有力工具。
2022-01-19 q-bio.PE
Modelling Covid-19 epidemic in Mexico, Finland and Iceland
在过去的二十年里，全球爆发了一些病毒性疾病。这加快了对疾病传播进行建模和预测的努力，以便找到限制区域内和区域间传播的方法。为此，我们设计了一个因人类空间流动而导致的病毒感染地理传播模型，并将其适用于最新的COVID-19大流行。在此，要建模的区域覆盖有用人口密度定义的单元加权的二维网格，在每个单元中，延迟差分方程的隔室SEIRS系统模拟疾病的局部动力学（微动力学）。细胞之间的感染是随机的，并且允许病毒在二维空间上的地理传播（宏观动力学）。这种方法可以将与疾病的生物学方面有关的参数与通过作为病毒携带者的人的不同类型的流动性代表空间传染行为的参数分开。这些数据提供了足够的信息，可以追踪不同情况下大流行病的演变情况。特别是，我们将这种方法应用于三个在许多方面不同的国家，墨西哥，芬兰和冰岛，并发现该模型能够复制和预测大流行病的随机全球路径。这项研究揭示了一个国家的不同文化和社会经济方面如何影响流行病的演变以及社交距离和其他限制措施的有效性。
2020-07-18 physics.soc-ph q-bio.PE
Stochastic Models and Estimation of Undetected Infections in the Transmission of Zika Virus
本研究提出增强的 SEIR 模型，区分已检出与未检出的寨卡感染，并利用 Kalman filter 估计隐藏状态，结合数值模拟与真实数据验证，揭示未检出感染对疾病传播的影响，为公共卫生决策提供依据。
2025-11-01 math.PR q-bio.PE
Policy-Aware Mobility Model Explains the Growth of COVID-19 in Cities
随着冠状病毒的持续传播，预测不同城市独特的COVID-19增长曲线的任务对于医疗供应和治疗至关重要，标准流行病学模型仍然无法充分解释这些曲线。预测必须考虑减缓冠状病毒传播的非药物干预措施，包括居家令、社交距离、隔离和强制戴口罩，从而减少城市内的流动性和病毒传播。此外，最近将冠状病毒与人类流动性和详细的移动数据联系起来的工作表明，在疾病预测中需要考虑城市流动性。在这里，我们表明，通过将城市内流动性和政策采纳纳入一个新的集合人口SEIR模型，我们可以准确地预测美国城市复杂的COVID-19增长模式（$R^2$ = 0.990）。由于政策干预而导致的估计流动性变化与Apple Mobility Trends Reports（Pearson R = 0.872）的经验观察一致，表明在数据有限的情况下，基于模型的预测具有实用性。我们的模型还再现了城市的“超级传播”，其中几个社区占大多数继发性感染的城市空间，所产生的不均匀的邻里人口和城市内的热门社区的动荡加剧。因此，我们的模型可以促进位置感知的流动性减少政策，以类似的社会成本更有效地减少疾病的传播。最后，我们证明了我们的模型可以作为一个细粒度的分析和模拟框架，通知合理的非药物干预政策的设计。
2021-02-21 cs.CY q-bio.PE
